基于物联网的智能交通系统研究综述

摘要：交通安全、交通堵塞及环境污染是困扰当今国际交通领域的三大难题。智能交通系统及面向智能交通的物联网研究是学术界广泛重视的研究领域，其研究将对未来世界产生深刻影响。从环境感知、网络传输、数据处理等方面对物联网智能交通系统国内、外相关领域的最新研究现状进行总结分析，为未来进行深入而广泛的智能交通系统研究及应用奠定基础。最后，指出了物联网智能交通系统的研究热点和展望。

关键词：物联网； 智能交通系统； 数据通信； 数据处理

中图分类号：TP391 文献标识码：A 文章编号：2095-2163（2013）05-0043-04

0引言

智能交通系统（Intelligent Transportation Systems，简称ITS） 是指通过对交通基础设施和交通出行工具的全面的信息化、网络化和智能化来实现交通系统的性能提升，如增加交通安全性，减少交通时间和降低燃油耗费等等[1]。据统计，世界上每年都会有五千万人由于交通事故而受伤[2]，而由于交通事故造成的经济损失则超过五亿美元[3]。 为此，智能交通系统将具有异常重要的实用价值，以及异常巨大的市场容量。有信息显示，其相关产业已然成为全球最大产业之一，已经而且也必将会对未来世界将产生深刻影响。 另一方面，智能交通系统也是一个融汇计算机、通信、信息处理、人工智能、自动控制等多个学科进行交叉的复杂系统，系统中存在大量具有相当难度的研究课题，所以对于学术界而言，智能交通系统的研究多年以来一直非常活跃，且颇受重视，成为热点研究领域。

智能交通系统的最终价值就体现在构建于其上的各类应用上，因此可以认为智能交通应用是智能交通系统的动力与源泉。 现在的智能交通应用大都集中在交通导航上，但是除了交通导航以外，还有很多与交通有关的应用可以用于提高道路安全，如道路预定，事故避免，未来交通流量的预测，道路拥塞的模式搜寻， 控制交通废气排放， 交通安全风险评估与避免等等。本文即针对物联网智能交通系统的研究现状进行了全面总结和深入剖析。

1智能交通系统中的环境感知

物理环境感知无疑是智能交通系统的基础，实际上对环境的感知与认知也是任何智能系统的基础。可分为以下几个专题进行系统阐述和分析。

1.1移动感知已经逐渐成为城市感知的基本手段

智能交通系统的监控传感器通常可分为两种基本类型：静态传感器和移动传感器（Mobile sensors）。由于移动传感器具有更大的灵活性，目前使用移动传感器进行交通环境感知的实例已有很多。例如，在上海和广州就分别使用带有GPS设备的出租车来收集交通环境信息（上海使用了4 000辆出租车，而广州使用了100辆出租车）[4，5]。 另外，使用带有GPS的公交车也可用来进行数据收集[6]，文献[7]即使用安装在出租车上的探测器来监测核危险。 除上述手段外，通过智能手机来完成智能交通系统中的感知也是一种新出现的手段，文献[8]就利用了对移动 cellular网络的匿名监控对城市的实时移动性来实现监控。 再如，文献[9]给出的就是一种以车与车之间的通信协作为基础的路口安全实用方法，文献[10]给出的方法就是通过交通工具携带传感器完成环境感知以及通过车与车的直接通信作为网络基础的智能交通应用。

1.2降低感知的能耗，提高感知的精度

由于智能交通系统是一个关乎交通效率和人身安全的实践应用系统，所以感知精度的保障一直是一个重要的研究内容，同时由于智能交通系统的规模又非常庞大，节能也就成为其中的一个关键问题，因此在降低感知能耗的同时、又要保证感知精度就成为智能交通系统环境感知的一个难点挑战问题。 基于簇的结构是一种广泛应用于无线传感器网络中降低感知能耗的方法，但交通系统属于一个典型的动态系统，[JP2]节点不停地移动导致网络拓扑的动态变化，由此使得簇结构也需要跟着变化，所以在文献[11]中分析并给出了一个考虑节点移动的组簇算法进行数据收集，降低了感知能耗。

1.3智能交通系统环境感知研究现状的分析与总结

由上面的分析可以看出，移动感知已经逐渐成为智能交通系统环境感知的主体，而且这些感知节点往往是自身主动移动（即其移动是不可控制的）的节点，在增加了环境感知灵活程度，降低感知代价的同时，也使感知问题变得更复杂，因为选择哪些节点部署感知动作所导致的感知效果可能会截然不同。[JP2]一个显然的结论是在选择感知设备时，需充分考虑节点移动特征，尤其是一些重要社会特征，如那些移动活跃的用户和群体，或者移动性具有一定关联的用户和群体等等。

2智能交通系统中的数据通信网络

只有将采集获得的感知数据依托通信网络发送到需要的位置上，才能使智能交通系统真正得以运转，所以通信网络成为智能交通系统的另一个重要基础。总的来说感知和通信构成了智能交通系统的两大基础。

2.1智能交通系统中数据通信的基本结构

近年来，国外很多著名大学和企业都相继开展了城市感知项目的研究，当然其中的感知信息需要通过网络实现通信与共享。 如麻省理工大学开展的CarTel项目就是一个旨在基于机会通信建立延迟容忍的移动感知系统，建基于系统上的应用可以收集、处理、发送、分析、以及可视化由底层移动用户（如智能手机和车辆）采集感知的数据，并给用户推荐感兴趣的服务。 CarTel系统建基的网络可称为Cabernet[12-14]， Cabernet采用的通信结构是建立IEEE 802.11协议基础之上，并主要集中在移动设备和WiFi AP之间的无线通信上，显然该结构是一种基本的集中物联的通信结构。

而MetroSense[15]是由Dartmouth大学开展的、由移动手机组成的、一个全局移动传感器网络，由此可实现整个社会范围内的超大规模感知，其感知网络可分成三层结构完成感知数据的收集。在有线Internet中的servers用于负责存储、处理感知数据；通过Internet连接的固定Sensor Access Points （SAP）可用来作为服务器和移动传感器（mobile sensors，简称MS）之间的gateways；而MS能在现场移动，用来收集数据，将数据“mule”到SAP处。另外，静态传感器也完成类似于MS的功能，只是SS不能移动。 由于感知数据的收集主体是随人移动的MS，MS位置的随机性，网络连通的间歇性都是经常发生的现象，这就决定了MetroSense只能提供机会性的感知。 不难发现，目前针对城市感知的通信网络都是以Internet为核心的一种集中物联结构。

2.2智能交通系统中常见的数据通信方式

移动无线通信环境采用的通信方式目前可见的已有许多种，基本方式可以分为如下四种：

（1）DSRC（Dedicated Short-Range Communication）[16]是一个工作在5.9 GHz波段的短到中距离的无线通信方式，对于车载网络，DSRC可支持的车速最高可达120mph，通信范围是300m，[JP2]缺省数据速率是6 Mbps，目前已有大量研究采用DSRC来建立车-车之间，车体-路边设施之间的实时信息通信。应用这些通信可以减少拥堵，提高人身安全等等[17]。

（2）Cellular networks，包括2G和3G，2G系统可以支持9.6 kbps的通信速率，GPRS和EDGE用来提高通信速率。相比而言3G提供的数据传输速率要大得多，其中的地理位置是引入带宽变化的重要因素[18]。

（3）WiMAX/802.16e的目的是提供最后一里（last mile）的无线宽带数据传输，常可用于取代cable和xDSL。 WiMAX用来填补3G和WLAN之间的通讯鸿沟，可以提供数十Mbps的带宽，<60 km/h的移动速度，以及<10 km的覆盖范围。

（4）WiFi或WLAN也能支持宽带无线服务，802.11a/g提供54Mbps的传输带宽，支持的通信范围是38 m （室内）、140 m（室外）。 由于WiFi的普适部署，使得WLAN成为一种极具吸引力的无线宽带传输手段。 同时，开放的WiFi mesh网络也引发了广泛的兴趣与关注[19]。

3智能交通系统中的数据处理技术

智能交通系统的智能化就集中体现在对系统内各种数据的处理上，所以对数据的处理可以认为是智能交通系统的核心所在。数据处理的详情如下所示。

3.1时空数据的处理

智能交通系统处理的数据是一种伴有时空特征的典型数据，由于现今的GPS装置已经非常成熟且实现了平民价格，所以大量配备有定位装置的设备广泛应用至各行各业，如带有GPS设备的为数众多的出租车、公共汽车以及一般的民用车辆，加上无线通信的日益成熟更使得现在的智能交通系统中产生了海量可以使用的、带有时空位置的序列化数据，如何应用和处理这些数据就成为智能交通系统时下研究中的一项基本内容。 如文献[20]使用的就是人工智能中的无导师学习方法来处理车辆产生的位置数据，用以推导得出车辆的状态和动作，从而实现对交通事故的避免。 除了对时空序列数据进行处理以外，发现和利用数据的空间特征也是智能交通系统时空数据处理的一项新兴研究内容，文献[21]给出的正是这样一项分析道路网络交通流量状态宏观角度空间特征的方法，而文献[22-24]中的研究也是针对交通流量的时间和空间依赖性完成的，智能交通系统可以应用这些空间特征进行各个方面，诸如VANETs通信等方面的性能优化。

3.2数据的在线分析

智能交通系统的高度动态性使得系统会产生大量数据，并且许多数据会因为环境的动态变化而随时失效，这就使得对于数据的在线分析变为一个复杂的问题[25]，而文献[25]就使用一个简单的折价因子来为那些不断陈旧的历史信息建立数据模型。

3.3人工智能的数据处理

显而易知，智能交通系统中的数据处理必然要使用各类人工智能的最新技术。 近年来，人工智能中的一些新技术已经受到越来越多的智能交通研究者的推崇和青睐[26，27]。 例如，针对交通流量的预测和建模可以借助于人工神经网络、模糊推理系统以及一些聚类技术。 文献[25]中的风险评估就使用了一个经过修改的在线最近邻聚类算法，用以提取最有价值位置。 而使用模糊推理的原因则是由于交通系统的动态性和复杂性，并由此导致感知数据带有明显不确定性，因此就需要在推理时连带这些不确定性一同进行模糊推理。

4总结与展望

由上面的分析可以看出，移动感知已经逐渐成为智能交通系统环境感知的主体，而且这些感知节点往往是自身主动移动（即其移动是不可控制的）的节点，在增加了环境感知灵活程度，降低感知代价的同时，也使感知问题变得更加复杂。

智能交通系统分为集中物联和分布物联两种基本结构，但集中物联引入车与车之间、车与路边设备之间的局部通信方式。 而在当前的国内外研究中，将两种形式有机结合并形成一个异构物联结构的研究还不多见，研究力度也不够深入。 显然在实际网络环境中，将两者结合的异构结构一定是更加普遍而真实。 面对复杂多样的通信网络结构与形式，如何有效地，以及根据环境变化而自适应地选择网络方式，满足诸如WiFi AP选择、连接建立、连接切换等众多应用需求均需进行深入的探讨与研究，这也必定是一个和物理环境特征，社会特征等内容有紧密关联的研究课题。

智能交通的数据处理技术集中在对时空序列数据进行一些智能化处理，智能化处理的基本要求就是发现和挖掘这些时空数据中的特征与规律，并能应用这些特征协助智能交通系统的建立与完善以及上层交通应用的设计与实现。 由于智能交通系统的基础是一个由交通工具、道路、基础设施以及人组成的物理环境，在这个物理环境中的时空数据所具有的空间特征实际上就是物理环境的特征，也就是智能交通系统的社会特征，因而挖掘并利用这些特征来拓展智能交通系统的应用，同时完善智能交通系统的相关算法就成为智能交通系统数据处理技术的核心和关键，这也是智能交通系统当下的研究热点之一。